CN102663348B - 一种光学遥感图像中的海上舰船检测方法 - Google Patents
一种光学遥感图像中的海上舰船检测方法 Download PDFInfo
- Publication number
- CN102663348B CN102663348B CN 201210077407 CN201210077407A CN102663348B CN 102663348 B CN102663348 B CN 102663348B CN 201210077407 CN201210077407 CN 201210077407 CN 201210077407 A CN201210077407 A CN 201210077407A CN 102663348 B CN102663348 B CN 102663348B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- ship
- ship target
- zone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000003287 optical effect Effects 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于局部对比度信息和空间金字塔特征的光学遥感图像海上舰船检测方法。技术方案路是：首先，基于局部对比度在海面区域滑动窗口进行舰船的疑似目标检测，减少舰船检测的漏警；然后，对分割得到的疑似目标区域按一定窗口大小取其邻域，利用空间金字塔匹配模型提取空间上下文信息来进行分类，删除背景干扰，获取舰船检测结果，减少舰船检测的虚警。本方法有效抑制了舰船的白极性表现和黑极性表现问题，同时对于舰船目标与其他干扰的相似性问题以及舰船目标本身具有的差异性问题，本方法引入目标的局部邻域上下文信息用于舰船的特征描述与识别，区分目标与背景干扰，有效抑制舰船检测的虚警率。
Description
技术领域
本发明涉及遥感图像分析领域的智能化舰船目标检测技术，更具体地说，涉及一种复杂海面条件下的光学遥感图像海上舰船检测方法。
背景技术
在光学遥感图像中，复杂海面背景情况下的海上舰船目标检测问题一直是难点。一方面，由于成像器件、大气、拍摄角度、时间、气象等诸多因素影响，以及不同的海面波浪状况对光照的反射能力不同，使得光学遥感图像的亮度、对比度等信息存在很大变化，海面背景具有不稳定性，平均亮度存在起伏，其高频信息在幅度上受海浪、航迹的影响变化很大。具体到舰船检测，由于受光照、舰船表面涂层的影响，舰船目标灰度表现不确定性，可见光舰船目标在亮度上可能高于或低于海面背景亮度，分别称为舰船的白极性表现和黑极性表现。此时，传统的基于阈值分割的检测方法无法选择一个合适的阈值将目标与背景分离，造成较高的虚警率。
另一方面，由于可见光成像容易受天气等因素的影响，所以可见光图像中往往存在大量的云等情况，舰船检测往往受到云、海浪等干扰，导致目前的舰船检测方法往往虚警较多，虽然在目前一些海上舰船检测方法在海面区域目标的粗检测得到疑似目标后，增加对舰船目标候选区域或舰船疑似目标的目标自身特征进行分析确认，去除部分虚警，获取舰船检测结果。这些方法中常用的舰船目标自身特征有：灰度、尺寸、形状、纹理特征，在提取目标自身多种特征描述后，采用分类器对疑似舰船目标进行分类确认识别。然而，对于云、海浪、海岛等疑似目标干扰，有时在疑似目标块上提取出的目标特征与实际舰船目标非常相似，并且不同分辨率、不同时相图像中舰船目标反映出的特征又有差异，为舰船的确认识别带来很多困难，所以目前基于目标自身特征分析方法仍然存在较多虚警，阻碍了可见光图像海上舰船检测方法的应用。
发明内容
本发明为了有效解决复杂海面光学遥感图像的海上舰船检测问题，提供了一种基于局部对比度信息和空间金字塔特征的光学遥感图像海上舰船检测方法。本方法有效抑制了舰船的白极性表现和黑极性表现问题，同时对于舰船目标与其他干扰的相似性问题以及舰船目标本身具有的差异性问题，本方法引入目标的局部邻域上下文信息用于舰船的特征描述与识别，区分目标与背景干扰，有效抑制舰船检测的虚警率。
本发明的基本思路是：首先，针对舰船目标的黑白极性问题，基于局部对比度在海面区域滑动窗口进行舰船的疑似目标检测，减少舰船检测的漏警；然后，对分割得到的疑似目标区域按一定窗口大小取其邻域，利用空间金字塔匹配模型提取空间上下文信息来进行分类，删除背景干扰，获取舰船检测结果，减少舰船检测的虚警。
本发明的技术方案是：一种光学遥感图像海上舰船目标检测方法，具体包括下述步骤：
已知：一幅输入图像I1是光学遥感图像。
第一步：海陆区域分割
对输入图像I1进行海面区域与陆地区域的分割，得到对海面区域进行标记的海域图像I2。
第二步：疑似舰船目标的粗检测
对海域图像I2，采用修订了判决准则的Contrast Box算法进行处理，检测得到一组包含疑似舰船目标的矩形区域，称之为疑似舰船目标区域。
特别的，在Contrast Box算法中定义如下判决准则来进行判断：
|(μT-μB)|/δB＞K (1)
其中μT表示Contrast Box算法中目标窗口的灰度均值，μB表示背景窗口的灰度均值，δB表示背景窗口的灰度标准差，K为检测阈值。满足准则(1)则认为是疑似目标点，对多个相邻的疑似目标点所组成的区域求得最小面积外接矩形即是疑似舰船目标区域，通常选择包含2个以上相邻疑似目标点的区域作为疑似舰船目标区域。
第三步：疑似舰船目标的上下文特征提取
对每一个疑似舰船目标区域使用如下方法得到疑似目标邻域图像块：以疑似舰船目标区域的中心为中心，长、宽分别为疑似舰船目标区域长、宽的2倍大小，得到包含疑似目标及其邻域的矩形区域，称之为疑似目标邻域图像块。对疑似目标邻域图像块利用空间金字塔匹配模型提取疑似舰船目标的空间上下文特征。
第四步：疑似舰船目标识别确认
对疑似舰船目标的空间上下文特征，利用基于直方图交叉核的SVM(supportvector machine)分类器进行分类，得到该疑似舰船目标是否是舰船的确认结果。
本发明的有益效果是：一方面，根据舰船成像特性重新定义了Contrast Box算法的判断准则，从而克服了舰船在海域中存在的黑白极性问题，减小了目标漏警率。另一方面，在获取到疑似舰船目标后，不同于传统的只对舰船目标本身提取特征进行分析的方法，本发明针对舰船目标及其邻域提取空间上下文特征进行分析，一定程度上解决了舰船目标与虚警之间特征可区分性不强的问题，可直接用于光学遥感图像的海上舰船目标检测。
附图说明
图1为本发明所提供的光学遥感图像中的海上舰船检测方法流程图；
图2为仿真实验中第二步进行疑似舰船目标粗检测示意图；
图3为仿真实验中第三步疑似舰船目标的空间上下文特征描述方法示意图；
图4为仿真实验中第四步对空间上下文特征利用基于直方图交叉核的SVM分类器进行分类的流程图。
具体实施方式
下面结合附图对本发明提供的光学遥感图像舰船目标检测方法进行详细说明。
图1是本发明所提供的光学遥感图像中的海上舰船检测方法流程图。该流程图的第一步是海陆区域分割，通过海陆区域分割获取海面区域，首先基于海面与陆地的灰度差异根据OTSU方法确定二值化分割阈值，得到海域和陆地初始分割，再在海域中选择种子点采用区域生长法得到海面区域。第二步疑似舰船目标的粗检测，是利用修订了判决准则的Contrast Box算法在海面区域中逐像素滑动窗口检测得到一组疑似舰船目标区域，Contrast Box算法具体实现详见文章“CASASENT D.P.SU W.，TURAGA D.，et al，SAR ship detection using newconditional contrast box filter[C]，SPIE，1999，372l：274-284.”。第三步疑似舰船目标的上下文特征提取，对疑似舰船目标区域获取疑似目标邻域图像块，利用空间金字塔匹配模型提取空间上下文特征。第四步疑似舰船目标识别确认，是使用基于直方图交叉核的SVM分类器对疑似舰船目标的空间上下文特征进行分类得到确认结果。
图2是仿真实验中第二步进行疑似舰船目标粗检测示意图。图2(a)为输入的一幅光学遥感图像的海域图像，为了表示清楚，在该海域图像中指示出舰船、海岛和云，图2(b)所示为通过检测得到的4个疑似舰船目标区域，图2(c)所示为分别对4个疑似舰船目标区域获取到的疑似目标邻域图像块。在利用修订了判决准则的Contrast Box算法进行疑似舰船目标的粗检测中，目标窗口T的大小为遥感图像中最大舰船目标尺寸，为保证背景窗口覆盖足够充分的背景特征数据，取背景窗口B为目标窗口T面积的4倍。检测阈值K控制检测虚警率，通常取1.25。
图3是仿真实验中第三步疑似舰船目标的空间上下文特征描述方法示意图。首先对疑似目标邻域图像块进行规则网格的划分，再利用空间金字塔匹配模型提取疑似舰船目标的空间上下文特征。具体描述如下：
图3左侧图像为检测到的一幅疑似目标邻域图像块，对其进行规则的均匀网格分割，如图3中间图像所示，称之为图像块节点，再提取每个图像块节点的SIFT(Scale Invariant Feature Transform)特征，SIFT具体实现详见文章“DavidG.Lowe，Distinctive image features from scale-invariant keypoints.InternationalJournal of Computer Vision，200460(2)：91-110”。图像块节点尺寸根据遥感图像分辨率的高低不同来确定，中高分辨率可取16×16像素、8×8像素，低分辨率可取4×4像素。同时随机选出一部分疑似目标邻域图像块作为训练图像，将这些训练图像的各个图像块节点所提取的SIFT特征进行K均值聚类，实验中K均值聚类数目，即视觉词汇数目设为100，得到图像的视觉词汇码本。然后对所有疑似目标邻域图像块的图像块节点提取的SIFT特征都按照此视觉词汇码本进行量化。这样每个图像块节点将对应一个视觉词汇。从而完成了图像的像素空间表示到图像的视觉词汇空间表示的转换，转换得到的图称之为词汇图，图3右侧图像为输入的疑似目标邻域图像块转换得到的词汇图。
对于得到的词汇图再利用空间金字塔匹配模型获取疑似舰船目标的空间上下文特征。其中空间金字塔匹配模型具体详见文献“Lazibnik etc.Beyond Bagsof Features：Spatial Pyramid Matching for Recognizing Natural Scene Categories.Proceedings of IEEE Computer Society Conference on Computer Vision and PatternRecognition.New York：2006：2169-2178”。记得到的空间上下文特征为Pw。
图4是本发明仿真实验中第四步对空间上下文特征利用基于直方图交叉核的SVM分类器进行分类的流程图。该分类算法流程分为训练和测试两个部分，图4垂直方向的虚线左侧为训练阶段，右侧为测试阶段。样本库共包含海岛、云、海浪和舰船这四类样本。在训练阶段，训练样本库由每一类样本中随机抽取一部分疑似目标邻域图像块构成，图4虚线左侧最上方为输入的训练样本示意，然后根据第三步方法获得视觉词汇码本，提取训练样本库中的所有疑似目标邻域图像块的空间上下文特征Pw，再基于直方图交叉核函数由训练样本对SVM分类器进行训练，获取SVM分类模型。图4虚线右侧最上方为输入的一幅疑似目标邻域图像块，在测试阶段，对疑似目标邻域图像块根据训练阶段得到的视觉词汇码本，得到其空间上下文特征，再利用SVM分类模型对测试样本进行分类，得到疑似目标是否是舰船目标的确认结果。其中，直方图交叉核函数详见文章“Barla A，Odone F，and Verri A.Histogram intersection kernel for imageclassification[C].Proceedings of the International Conference on Image Processing，Barcelona，Catalonia，Spain，Sept.14-17，2003，Vol.2：513-516.”。
Claims (2)
1.一种光学遥感图像海上舰船目标检测方法，已知一幅输入图像I1是光学遥感图像，其特征在于，具体包括下述步骤：
第一步：海陆区域分割；
对输入图像I1进行海面区域与陆地区域的分割，并对海面区域进行标记，得到海域图像I2；
第二步：疑似舰船目标的粗检测；
对海域图像I2，采用修订了判决准则的Contrast Box算法进行处理，检测得到一组包含疑似舰船目标的矩形区域，称之为疑似舰船目标区域；即在ContrastBox算法中定义如下判决准则来进行判断：
|(μT-μB)|/δB>K
其中μT表示Contrast Box算法中目标窗口的灰度均值，μB表示背景窗口的灰度均值，δB表示背景窗口的灰度标准差，K为检测阈值，满足上述判决准则就认为是疑似目标点；对多个相邻的疑似目标点所组成的区域求得最小面积外接矩形即是疑似舰船目标区域；
第三步：疑似舰船目标的上下文特征提取；
对每一个疑似舰船目标区域使用如下方法得到疑似目标邻域图像块：以疑似舰船目标区域的中心为中心，长、宽分别为疑似舰船目标区域长、宽的2倍大小，得到包含疑似目标及其邻域的矩形区域，称之为疑似目标邻域图像块；对疑似目标邻域图像块利用空间金字塔匹配模型提取疑似舰船目标的空间上下文特征，具体过程是：
对疑似目标邻域图像进行规则的均匀网格分割，每个均匀网格称为图像块节点，再提取每个图像块节点的SIFT特征；同时随机选出一部分疑似目标邻域图像块作为训练图像，将这些训练图像的各个图像块节点所提取的SIFT特征进行K均值聚类,得到图像的视觉词汇码本；然后对所有疑似目标邻域图像块的图像块节点提取的SIFT特征都按照此视觉词汇码本进行量化，使每个图像块节点对应一个视觉词汇，从而完成图像的像素空间表示到图像的视觉词汇空间表示的转换，转换得到的图称为词汇图；对于得到的词汇图再利用空间金字塔匹配模型获取疑似舰船目标的空间上下文特征；
第四步：疑似舰船目标识别确认；
对疑似舰船目标的空间上下文特征，利用基于直方图交叉核的SVM（supportvector machine）分类器进行分类，得到该疑似舰船目标是否是舰船的确认结果。
2.根据权利要求1所述的光学遥感图像海上舰船目标检测方法，其特征在于，选择包含2个以上相邻疑似目标点的区域作为疑似舰船目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210077407 CN102663348B (zh) | 2012-03-21 | 2012-03-21 | 一种光学遥感图像中的海上舰船检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210077407 CN102663348B (zh) | 2012-03-21 | 2012-03-21 | 一种光学遥感图像中的海上舰船检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102663348A CN102663348A (zh) | 2012-09-12 |
| CN102663348B true CN102663348B (zh) | 2013-10-16 |
Family
ID=46772832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201210077407 Expired - Fee Related CN102663348B (zh) | 2012-03-21 | 2012-03-21 | 一种光学遥感图像中的海上舰船检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102663348B (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867196B (zh) * | 2012-09-13 | 2015-10-21 | 武汉大学 | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 |
| CN103020592B (zh) * | 2012-11-22 | 2015-09-23 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
| CN103150567B (zh) * | 2013-02-04 | 2016-01-20 | 北京理工大学 | 整合模式识别与上下文知识的光学遥感图像云判别方法 |
| CN103150582B (zh) * | 2013-02-04 | 2015-11-25 | 北京理工大学 | 基于上下文的光学遥感图像云判结果修正方法 |
| CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
| CN103617628A (zh) * | 2013-12-16 | 2014-03-05 | 北京航空航天大学 | 基于极化方位角正割函数特征的舰船检测方法 |
| CN103996017B (zh) * | 2014-02-24 | 2018-08-31 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
| CN104166853B (zh) * | 2014-04-24 | 2019-06-25 | 中国人民解放军海军航空大学 | 从高分辨率遥感图像中快速提取规则化舰船切片的方法 |
| CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
| CN104182731B (zh) * | 2014-08-12 | 2017-05-17 | 中国科学技术大学 | 一种基于十字检测的栅格状雷达检测方法 |
| CN105095846B (zh) * | 2014-09-28 | 2019-07-30 | 航天恒星科技有限公司 | 面向遥感图像海陆分割的区域生长种子点提取方法及*** |
| CN104992140B (zh) * | 2015-05-27 | 2019-07-26 | 上海海事大学 | 一种基于遥感图像的海面异常漂浮物检测方法 |
| CN105139034B (zh) * | 2015-08-27 | 2019-06-28 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
| CN105303526B (zh) * | 2015-09-17 | 2017-11-07 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
| CN105976345A (zh) * | 2016-04-27 | 2016-09-28 | 北京航空航天大学 | 一种可见光遥感图像合成方法 |
| CN106056084B (zh) * | 2016-06-01 | 2019-05-24 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
| CN106295498B (zh) * | 2016-07-20 | 2019-04-16 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
| CN106709426B (zh) * | 2016-11-29 | 2020-04-14 | 上海航天测控通信研究所 | 基于红外遥感图像的舰船目标检测方法 |
| CN106815553B (zh) * | 2016-12-13 | 2019-07-23 | 华中科技大学 | 一种基于边缘匹配的红外前视图像舰船检测方法 |
| CN106845372B (zh) * | 2016-12-31 | 2018-01-26 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和*** |
| CN107704865A (zh) * | 2017-05-09 | 2018-02-16 | 北京航空航天大学 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
| CN108229342B (zh) * | 2017-12-18 | 2021-10-26 | 西南技术物理研究所 | 一种海面舰船目标自动检测方法 |
| CN108376247A (zh) * | 2018-02-05 | 2018-08-07 | 北方工业大学 | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 |
| CN108681691A (zh) * | 2018-04-09 | 2018-10-19 | 上海大学 | 一种基于无人水面艇的海上船艇快速检测方法 |
| CN110120073B (zh) * | 2019-03-28 | 2020-12-22 | 上海大学 | 一种基于灯标视觉信号引导无人艇回收的方法 |
| CN110443201B (zh) * | 2019-08-06 | 2023-01-10 | 哈尔滨工业大学 | 基于多源影像联合形状分析与多属性融合的目标识别方法 |
| CN110910421B (zh) * | 2019-11-11 | 2022-11-11 | 西北工业大学 | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 |
| CN111160354B (zh) * | 2019-12-30 | 2022-06-17 | 哈尔滨工程大学 | 一种基于联合图像信息的海天背景下船舶图像分割方法 |
| CN111582089B (zh) * | 2020-04-27 | 2021-07-09 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卫星红外与可见光图像的海上目标信息融合方法 |
| CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
| CN112070083A (zh) * | 2020-09-04 | 2020-12-11 | 北京灵汐科技有限公司 | 图像内容检测方法、装置、电子设备和存储介质 |
| CN112101250B (zh) * | 2020-09-18 | 2022-07-15 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
| CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
| CN115331113A (zh) * | 2022-10-12 | 2022-11-11 | 浙江华是科技股份有限公司 | 船舶目标检测模型训练方法、***及计算机存储介质 |
| CN115661434B (zh) * | 2022-10-17 | 2023-05-02 | 中国人民解放军61540部队 | 一种夜间海上舰船自动识别方法、***、电子设备及介质 |
| CN117761695B (zh) * | 2024-02-22 | 2024-04-30 | 中国科学院空天信息创新研究院 | 基于自适应分区sift的多角度sar三维成像方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024156A (zh) * | 2010-11-16 | 2011-04-20 | 中国人民解放军国防科学技术大学 | 彩色人脸图像中的唇部区域定位方法 |
-
2012
- 2012-03-21 CN CN 201210077407 patent/CN102663348B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024156A (zh) * | 2010-11-16 | 2011-04-20 | 中国人民解放军国防科学技术大学 | 彩色人脸图像中的唇部区域定位方法 |
Non-Patent Citations (8)
| Title |
|---|
| Learning Mid-Level Features For Recognition;Y-Lan Boureau等;《Proc 23rd International conference on computer vision and pattern recognition》;20100618;第2559-2566页 * |
| Y-Lan Boureau等.Learning Mid-Level Features For Recognition.《Proc 23rd International conference on computer vision and pattern recognition》.2010, |
| 利用贝叶斯网络融合空间上下文的高分辨遥感图像分类;程环环等;《计算机工程与科学》;20110131;第33卷(第1期);第70-76页 * |
| 可见光遥感图像中舰船目标检测方法;赵英海等;《光电工程》;20080831;第35卷(第8期);第102-106页 * |
| 周晖等.引入PLSA模型的光学遥感图像舰船检测.《遥感学报》.2010,第14卷(第4期), |
| 引入PLSA模型的光学遥感图像舰船检测;周晖等;《遥感学报》;20100430;第14卷(第4期);第672-680页 * |
| 程环环等.利用贝叶斯网络融合空间上下文的高分辨遥感图像分类.《计算机工程与科学》.2011,第33卷(第1期), |
| 赵英海等.可见光遥感图像中舰船目标检测方法.《光电工程》.2008,第35卷(第8期), |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102663348A (zh) | 2012-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102663348B (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN102509091B (zh) | 一种飞机尾号识别方法 | |
| Pan et al. | A robust system to detect and localize texts in natural scene images | |
| CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| US10198657B2 (en) | All-weather thermal-image pedestrian detection method | |
| CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
| Kim et al. | Multi-task convolutional neural network system for license plate recognition | |
| CN104680127A (zh) | 手势识别方法及*** | |
| Malik et al. | Detection and recognition of traffic signs from road scene images | |
| Al-Hmouz et al. | License plate localization based on a probabilistic model | |
| CN102509112A (zh) | 车牌识别方法及其识别*** | |
| CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
| Islam et al. | Text detection and recognition using enhanced MSER detection and a novel OCR technique | |
| CN109902618A (zh) | 一种海面船只识别方法和装置 | |
| Fung et al. | A review of evaluation of optimal binarization technique for character segmentation in historical manuscripts | |
| CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
| Kobchaisawat et al. | Thai text localization in natural scene images using convolutional neural network | |
| Sheng et al. | Real-time anti-interference location of vehicle license plates using high-definition video | |
| Liu et al. | A robust algorithm for text detection in color images | |
| Huang et al. | Ship detection using texture statistics from optical satellite images | |
| Chowdhury et al. | Scene text detection using sparse stroke information and MLP | |
| Deb et al. | Statistical characteristics in HSI color model and position histogram based vehicle license plate detection | |
| Zhang et al. | A novel detection and recognition system for Chinese traffic signs | |
| Zheng et al. | Character segmentation for license plate recognition by K-means algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131016 |